Моделирование процесса обучения нейросети DeepLabv3 для сегментации сельскохозяйственных полей
https://doi.org/10.21822/2073-6185-2023-50-3-142-149
Аннотация
Цель. Проведение мониторинга и определение состояния посевов в сельскохозяйственном производстве требует использование и совершенствование нейросетевых методов искусственного интеллекта. Целью исследования является создание математической модели процесса обучения нейросети DeepLabv3 для интеллектуального анализа и сегментации участков сельскохозяйственных полей.
Метод. На основе сформированной базы RGB изображений сельскохозяйственных полей, размеченной на четыре класса, была разработана нейросеть архитектуры DeepLabv3 и проведено ее обучение. Получены аппроксимации кривой обучения модифицированной функцией Джонсона методами наименьших квадратов и наименьших модулей.
Результат. Проведена статистическая оценка качества обучения и аппроксимации нейросетей архитектуре DeepLabV3 в сочетании с ResNet50. Построенное семейство DNN на основе DeepLabV3 с ResNet50 показали эффективность распознавания и достаточное быстродействие при определении состояния посевов.
Вывод. Аппроксимация диаграммы обучения нейросетей архитектуре DeepLabV3, с использованием модифицированной функции Джонсона, позволяет оценивать значение «насыщения» моделируемой зависимости и прогнозировать максимальное значение метрики нейросети без учета возможного ее переобучения.
Об авторах
А. Ф. Рогачев
Волгоградский государственный аграрный университет;
Волгоградский государственный технический университет
Россия
Россия
Алексей Фруминович Рогачев, профессор кафедры математического моделирования и информатики, 400002, г. Волгоград, пр. Университетский, 26;
400005, г. Волгоград, пр. им. Ленина, 28
И. С. Белоусов
Волгоградский государственный аграрный университет
Россия
Россия
Илья Станиславович Белоусов, аспирант кафедры математического моделирования и информатики,
400002, г. Волгоград, пр. Университетский, 26
Список литературы
1. Saiz-Rubio V. From Smart Farming towards Agriculture 5.0: A Review on Crop Data Management. https://www.mdpi.com/2073-4395/10/2/207/htm.
2. A Review on Deep Learning Techniques Applied to Semantic Segmentation / Garcia-Garcia Alberto, Orts-Escolano Sergio, Oprea Sergiu, Villena-Martinez Victor, Garcia-Rodriguez Jose. https://doi.org/10.48550/arXiv.1704.06857.
3. Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. http://docs.cntd.ru/document/902361843.
4. Bin Xu et al., “Remote sensing monitoring on dynamic status of grassland productivity and animal loading balance in Northern China,” IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium, Anchorage, AK, USA, 2004, pp. 2306-2309 vol.4, doi: 10.1109/IGARSS.2004.1369747.
5. Pelletier, C.; Valero, S.; Inglada, J.; Champion, N.; Dedieu, G. Assessing the robustness of Random Forests to map land cover with high resolution satellite image time series over large areas. Remote Sens. Environ. 2016, 187, 156–168.
6. L. Zhang, W. Yu, G. Li and H. Zhang, “An approach for flood inundated duration extraction based on Level Set Method using remote sensing data,” 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 2016, pp. 1820-1822, doi: 10.1109/IGARSS.2016.7729467.
7. Zhao-Cheng Zeng, Yuan Wang, Thomas J. Pongetti, Fang-Ying Gong, Sally Newman, Yun Li, Vijay Natraj, RunLie Shia, Yuk L. Yung, Stanley P. Sander, Tracking the atmospheric pulse of a North American megacity from a mountaintop remote sensing observatory,Remote Sensing of Environment,Volume 248,2020,112000.
8. Рогачев А. Ф., Мелихова Е. В., Плещенко Т. В. Нейросетевая система управления программируемым аграрным производством с использованием ретроспективных данных и результатов дистанционного зондирования: монография. Волгоград: ФГБОУ ВО Волгоградский ГАУ, 2021. 172 с.
9. Рогачёв А. Ф. Математическое моделирование экономической динамики в аграрном производстве: монография. Волгоград, 2014. 172 с.
10. Соловьев Р. А., Тельпухов Д. В., Кустов А. Г. Автоматическая сегментация спутниковых снимков на базе модифицированной свёрточной нейронной сети UNET // Инженерный вестник Дона. 2017. № 4.
11. Jeong S, Ko J, Yeom J M. Predicting rice yield at pixel scale through synthetic use of crop and deep learning models with satellite data in South and North Korea[J]. Science of The Total Environment, 2021, 802(2):149726.
12. Xu J, Yang J, Xiong X, et al. Towards interpreting multi-temporal deep learning models in crop mapping[J]. Remote Sensing of Environment, 2021, 264:112599. https://doi.org/10.3390/rs13224668.
13. Ofori-Ampofo, S.; Pelletier,C.; Lang, S. Crop Type Mapping from Optical and Radar Time Series Using Attention Based Deep Learning.Remote Sens. 2021, 13, 4668.
14. Kussul N, Lavreniuk M, Skakun S, et al. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data[J]. IEEE Geoscience and Remote Sensing Letters, 2017, PP(99):1-5.
15. Context-sensitive image analysis for coloring nature images / A. V. Alekseev, V. L. Rozaliev, Y. A. Orlova, A. V. Zaboleeva-Zotova // Advances in Intelligent Systems and Computing. 2016. V. 451. P. 133-141.
16. Deep residual learning for image recognition.K.He, X. Zhang, X. Ren, J Sun. Proceedings of the 29th IEEE Conference on Computer Vision and Pattern Recognition .CVPR. Las egas, Nevada, USA, 2016; 770-778.
17. Fezan Review DeepLabv3 (Semantic Segmentation). 2020. https://medium.com/swlh/review-deeplabv3-semanticsegmentation-52c00ddbf28d.
18. Rosebrock Adrian. Intersection over Union (IoU) for object detection. https://www.pyimagesearch.com/2016/11/07/intersection-over-unioniou-for-object-detection.
19. Seeland M, Mäder P (2021) Multi-view classification with convolutional neural networks. PLoS ONE 16(1): e0245230. https://doi.org/10.1371/journal.pone.0245230
20. Sik-Ho Tsang Review: DeepLabv3. Atrous Convolution (Semantic Segmentation). https://towardsdatascience.com/review-deeplabv3-atrous-convolution-semantic-segmentation-6d818bfd1d74.
21. Rogachev A. F., Belousov I.S. Neural network identification of problem areas of the state of crops by methods of artificial intelligence. Proc. of the Lower Volga Agro-University Comp. 2022. 3(67). 459-466. DOI: 10.32786/2071-9485-2022-03-52.
22. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. (2017. Т. 6, № 3. С. 28–59. DOI: 10.14529/cmse170303.
23. Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. JMLR Workshop and Conference Proceedings. Proceedings of the 32nd International Conference on Machine Learning (Lille, France, July 06–11, 2015), 2015. vol. 37. pp. 448–456.
24. He K., Zhang X., Ren S., et al. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (Las Vegas, NV, USA, 27–30 June 2016), 2016. pp. 770–778. DOI: 10.1109/CVPR.2016.90.
25. Гусейнов Р.В., Гусейнова М.Р., Алиева К.А. Некоторые вопросы многокритериальной оптимизации параметров сложных систем. Вестник Дагестанского государственного технического университета. Технические науки. 2023; 50(2): 67-75. DOI:10.21822/2073-6185-2023-50-2-67-75.
26. Гришин А. Ф., Ягунов В. Н., Котов-Дарти С. Ф. Статистические модели в экономике. Ростов н/Д. : Феникс, 2005. 344 с.
27. Курбанов С. А., Мелихова Е. В., Бородычев В. В., Рогачев А. Ф. Математико-статистическое моделирование урожайности корнеплодов при комбинированном орошении // Проблемы развития АПК региона. – 2018. – № 4(36). – С. 70-76. – DOI 10.15217/issn2079-0996.2018.4.70.
28. Рогачев А.Ф. Параметризация эконометрических зависимостей методом наименьших модулей // Управление экономическими системами: электронный научный журнал. 2011. № 3. С. 0421100034.
29. Gabriel Danilo Shimizu, Leandro Simões Azeredo Gonçalves. AgroReg: main regression models in agricultural sciences implemented as an R. Sci. Agric. v.80, e20220041, 2023. URL: http://doi.org/10.1590/1678-992X-2022-0041.
30. Melikhova, E., Rogachev, A. Computer Optimization of ANN Hyperparameters for Retrospective Information Processing. In: Guda, A. (eds) Networked Control Systems for Connected and Automated Vehicles. Lecture Notes in Networks and Systems, (2023) vol 509. Springer, Cham. Pp. 723-730. https://doi.org/10.1007/978-3-031-11058-0_72.
Рецензия
Для цитирования:
Рогачев А.Ф., Белоусов И.С. Моделирование процесса обучения нейросети DeepLabv3 для сегментации сельскохозяйственных полей. Вестник Дагестанского государственного технического университета. Технические науки. 2023;50(3):142-149. https://doi.org/10.21822/2073-6185-2023-50-3-142-149
For citation:
Rogachev A.F., Belousov I.S. Simulation of the of the DeepLabv3 neural network learning process for the agricultural fields segmentation. Herald of Dagestan State Technical University. Technical Sciences. 2023;50(3):142-149. (In Russ.) https://doi.org/10.21822/2073-6185-2023-50-3-142-149
Просмотров: 295
Послать статью по эл. почте 
